audio-transcribe

soundcore.com から音声を取得 → faster-whisper で文字起こし → 子エージェントで要約 → Google Docs に保存する。

前提条件

項目	設定
faster-whisper	インストール済み（v1.2.1）
gog CLI	g.sugimura@nodi-an.com で認証済み（drive,docs）
browser ツール	OpenClaw組み込み。有効化済み
ffmpeg	インストール済み。25MB超の音声ファイル分割用

処理フロー

スキル呼び出し時、必ず sessions_spawn で子エージェントにパイプライン全体を委譲する。
メインセッションは「処理を開始しました」と即応答し、他の指示を受け付け続ける。

[ユーザー] → スキル呼び出し
     ↓
[メイン] 即応答「🎙️ 処理を開始しました」
     ↓ sessions_spawn
[子エージェント: パイプライン全体]
  Step 1: browser ツール → soundcore.com から音声取得
  Step 2: faster-whisper (medium/int8) → 文字起こし
  Step 3: LLM自身が要約生成
  Step 4: gog drive upload → Google Docs作成
  Step 5: /tmp クリーンアップ
     ↓ 完了通知
[メイン] Google Docs URL をユーザーに報告

---

Step 1: 音声ファイルの取得（browser ツール）

OpenClawの 組み込み browser ツール を使って soundcore.com を操作する。

1. browser(action="navigate", url="https://ai.soundcore.com/home") でページを開く
2. browser(action="snapshot") でページ構造を取得し、音声ファイル一覧を確認
3. browser(action="screenshot") で表示状態を目視確認
4. ユーザーが指定した音声ファイル（または最新）を特定
5. ダウンロード前にユーザーへ対象ファイル名を提示して許可を得る
6. browser(action="act", kind="click", ref="<対象ref>") でダウンロード実行
7. ダウンロードしたファイルを /tmp/openclaw_audio/ に移動

mkdir -p /tmp/openclaw_audio

• 対応形式: mp3 / m4a / wav / webm
• ログインが必要な場合: スクリーンショットでログイン画面を確認し、sugimuraさんにVNC経由での操作を依頼する
• UI変更時: snapshot + screenshot を繰り返して適応する

---

Step 2: 文字起こし（faster-whisper ローカル実行）

APIキー不要。 faster-whisper を使いCPU上でint8量子化実行する。
デフォルトモデル: medium（精度と速度のバランス最良）

#!/usr/bin/env python3
"""faster-whisper による文字起こし"""
import sys
from faster_whisper import WhisperModel

audio_file = sys.argv[1]
output_file = sys.argv[2] if len(sys.argv) > 2 else "/tmp/openclaw_audio/transcript.txt"

model = WhisperModel("medium", device="cpu", compute_type="int8")
segments, info = model.transcribe(audio_file, language="ja")

with open(output_file, "w") as f:
    for segment in segments:
        f.write(segment.text + "\n")

print(f"完了: {output_file}")

実行:

python3 -c "
from faster_whisper import WhisperModel
model = WhisperModel('medium', device='cpu', compute_type='int8')
segments, info = model.transcribe('/tmp/openclaw_audio/<ファイル名>', language='ja')
with open('/tmp/openclaw_audio/transcript.txt', 'w') as f:
    for seg in segments:
        f.write(seg.text + '\n')
print('文字起こし完了')
"

性能目安（2コアCPU、GPUなし）:

音声の長さ	処理時間
5分	約3分
30分	約16分
1時間	約32分

25MB超の音声ファイルの場合:
faster-whisperはファイルサイズ制限がないため分割不要。そのまま渡せる。
（Whisper APIと違い、ローカル実行なので制限なし）

---

Step 3: 要約

子エージェント自身が文字起こしテキストを読み、以下の形式で要約を生成する。
外部CLIは不要。

要約フォーマット:

• 要点を箇条書きで整理
• 最後に3行以内の総括
• プレーンテキストのみ（マークダウン記号不要）

要約結果を /tmp/openclaw_audio/summary.txt に書き出す。

---

Step 4: Google Docs 作成（gog CLI）

TITLE="文字起こし — $(TZ=Asia/Tokyo date '+%Y-%m-%d %H:%M')"
SUMMARY=$(cat /tmp/openclaw_audio/summary.txt)
TRANSCRIPT=$(cat /tmp/openclaw_audio/transcript.txt)

cat > /tmp/openclaw_audio/output.txt << CONTENT
概要

${SUMMARY}


文字起こし全文

${TRANSCRIPT}
CONTENT

gog drive upload /tmp/openclaw_audio/output.txt \
  -a g.sugimura@nodi-an.com \
  --convert-to=doc \
  --name "$TITLE" \
  ${GOOGLE_DRIVE_FOLDER_ID:+--parent "$GOOGLE_DRIVE_FOLDER_ID"} \
  --json

出力からドキュメントIDを取得し、https://docs.google.com/document/d/<ID>/edit をユーザーに報告する。

---

Step 5: クリーンアップ

rm -rf /tmp/openclaw_audio/

---

エラーハンドリング

エラー	対処
faster-whisper import エラー	pip3 install faster-whisper を実行
メモリ不足（medium）	small モデルにフォールバック
soundcore.com ログイン要求	VNC経由でsugimuraさんに操作を依頼
soundcore.com UI変更	snapshot + screenshot で適応
gog 認証エラー	gog auth list で状態確認、再認証を案内